摘要
阿尔兹海默症（AlzheimerDisease,AD）作为主要的神经退行性疾病之一，是导致痴呆问题最常见的原因。目前，尚缺乏有效的针对性治疗药物和阻止疾病发展的有效治疗方式。随着计算机技术的不断发展，采用计算机辅助诊断技术工具用于AD早期分类研究将为临床医生提供重要帮助。轻度认知障碍（MildCognitiveImpairment,MCI）阶段是处于正常受试者（NormalControl，NC）和阿尔兹海默症患者（AD）的过渡期，对MCI和AD早期阶段、特别是轻度认知障碍早期阶段（earlymildcognitiveimpairment,EMCI）进行适当的医学干预，对改善疾病的患病症状、缓解病情的持续恶化，提升患者的生活质量将具有重要意义。 因此，能够准确的诊断出早期阿尔兹海默症病患至关重要。本文基于深度学习方法对阿尔兹海默症脑部医学图像进行分类，主要研究内容如下： （1）提出基于改进型ResNet神经网络模型的多模态阿尔兹海默症轻度认知障碍早期（EMCI）分类方法。各自采用独立的残差神经网络ResNet模型，提出利用核磁共振图像（MRI），正电子发射型计算机断层显像（PET）双模态医学图像，多形式、多状态提取AD多样化病理特征。将多模态影像进行原点校正、分割、强度归一化、去除颅骨颈骨、配准等预处理操作，通过数据变形、裁剪、旋转翻转、缩放进行数据扩增，弥补数据量不足的同时解决类间不平衡问题。实验对比分析，NC/EMCI分类准确度达78.58%，表明基于ResNet神经网络模型的多模态分类方法能有效解决EMCI分类问题。 （2）采用一种基于迁移学习的ResNeSt网络模型的阿尔兹海默症分类方法。基于迁移学习方式，保留预训练收敛的训练模型参数，迁移到阿尔兹海默症MRI影像数据的ResNeSt拆分注意力网络（Split-AttentionNetworks）模型中，进行模型参数初始化并对新网络进行再训练微调，实验得到NC/EMCI、MCI/AD分类准确率达72.51%和84.00%，表明所提出模型对阿尔兹海默症MRI影像提取特征和模型用于分类的适用性和可靠性，并对比SGD、Adadelta、adam、RMSprop、ASGD不同优化函数算法对模型分类性能的影响。 （3）提出一种基于注意力机制（AttentionMechanism）的改进型ResNet网络模型用于阿尔兹海默症分类。针对EMCI和NC、AD不同病程病理特征的细微差异，在模型中添加由通道注意力机制（ChannelAttentionModule）和空间注意力机制（SpatialAttentionModule）的混合机制CBAM模块，提取MRI图像空间和通道显着特征，促使模型训练能有效定位分类区域。实验对比显示该方法增强了训练后模型对阿尔兹海默症分类的区分能力，获得NC/EMCI、MCI/AD分类任务中74.72%和84.83%的准确率。
NETL